Gemini 3.6 Flash 与 3.1 Pro：同样一百万 token，两个价格

大多数模型对比最后都归结为一笔交易：多花钱，换更大的上下文。Google 在 FrameTide 里的这两个对话模型打破了这个模式 —— Gemini 3.6 Flash 5 积分，Gemini 3.1 Pro 30 积分，两者都是 100 万 token 上下文。

也就是说，那六倍差价买的不是空间，而是在同样多的材料上想得更深。

两个模型

	Gemini 3.6 Flash	Gemini 3.1 Pro
发布时间	2026 年 7 月 21 日	2026 年 2 月 19 日
上下文	输入 100 万，输出 6.5 万	输入 100 万，输出 6.4 万
API 价格	每百万 token $1.50 / $7.50	—
FrameTide 积分	5	30
架构	—	稀疏专家混合（MoE）

Flash 是两者中更新的一个。Google 自己的数据显示它全面超过上一代 Flash —— DeepSWE 49% 对 37%，OSWorld-Verified 83.0% 对 78.4%，MLE-Bench 63.9% 对 49.7% —— 同时输出 token 少了约 17%。

最后这个数字最容易被一眼掠过，实际比那些跑分差值更重要：同样一个答案用更少的输出 token，意味着每个任务的实际成本更低，这与标价无关。

一个背景信息：Google 在 7 月那次发布中并没有推出 3.5 Pro，官方说法是 Pro 模型在编码和复杂推理上没达到内部预期。所以 2 月发布的 Gemini 3.1 Pro 仍然是当前的 Pro 档。

为什么 Flash 是全表性价比最高的一个

5 积分 + 100 万上下文，意味着除 DeepSeek V4 Flash 之外，它是 FrameTide 里"每积分能读最多内容"的模型。

这个组合并不常见。便宜模型通常窗口也小，逼着你把长输入切块、在块与块之间丢掉交叉引用、最后再把结果拼回去。Flash 用 5 积分把这一整类绕路方案取消了。

它适合作为以下场景的默认：

• 需要总结、对比或检索的长文档；
• 转录稿、日志、报告；
• 主要需要检索和解释、而不是深度设计的大段代码上下文；
• 任何难点在于输入量大而不是思考难的任务。

Pro 的六倍价买的是什么

Pro 的稀疏 MoE 架构，是为"推理必须贯穿整个窗口"而不是"在局部给出答案"设计的。

这个区分值得说精确，因为它直接决定选择：

• "找到相关的那部分并解释它" —— 这是 Flash 的活。上下文很大，但推理是局部的。
• "这三段互相矛盾，帮我调和并判断哪一段更权威" —— 这是 Pro 的活。上下文很大，而且推理必须横跨整个上下文。

大多数"感觉需要 Pro"的工作，其实属于第一类。判据很简单：如果你能指着某一段说"答案是从这儿来的"，那 Flash 就能找到它。

和阵容里其他模型比

• 对比 DeepSeek V4 Flash（1）。 同样 100 万上下文，还便宜五倍。纯拼输入量，这是最便宜的选择。Flash 的优势在更新的训练，以及复杂任务上更省的输出 token。
• 对比 Claude Sonnet 5（50）。 同样 100 万上下文，价格是 Flash 的十倍。Sonnet 更会写，Flash 每积分更会读。
• Gemini 3.1 Pro（30）对比 GPT-5.6 Sol（40）。 都是价格相近的前沿推理。Pro 的优势是上下文窗口，Sol 的优势是公布的智能体编码成绩。
• 对比 Grok 4.5（40）。 Grok 的上下文降到了 50 万，所以在整仓库、整语料级别的任务上，这对 Gemini 能读两倍的量。

一个实用的组合打法

用 Flash 读，用 Pro 判断。

1. 把全部材料丢给 Flash，让它把地形画出来 —— 里面有什么、相关部分在哪、哪些地方互相矛盾。
2. 拿着这份地图，加上它标出来的那几段原文，交给 Pro 做判断。

这样，最贵的那部分（读完全部）只花 5 积分，便宜的那部分（在一页纸上思考）花 30 积分。反过来做 —— 让 Pro 读完全部 —— 同样的答案要多花六倍。

一句话总结

Gemini 这两个模型不是"小窗口"和"大窗口"的关系，而是同一个窗口上的两种思考深度。默认用 5 积分的 Flash，它是全表每积分阅读量最高的选择；只有当推理确实必须横跨整份材料、而不只是定位其中一部分时，才升到 Pro。

资料来源

• OpenRouter：Gemini 3.6 Flash
• Google 发布 Gemini 3.6 Flash
• Gemini 模型对比 2026